Тонко настройте ACE-Step с пользовательскими LoRA-адаптерами для генерации музыки в вашем уникальном стиле.
Последнее обновление: Февраль 2026
LoRA (адаптация с низким рангом) — техника, позволяющая эффективно настраивать большие модели, обучая только небольшой набор весов адаптера. Для ACE-Step это означает, что вы можете обучить модель конкретному музыкальному стилю, используя всего 20-50 референсных треков.
Качественные данные — наиболее важный фактор в обучении LoRA. Каждый аудиофайл должен быть 30-120 секунд, одного инструмента или чисто смикшированным, и последовательно представлять целевой стиль.
# Using Demucs for stem separation
pip install demucs
python -m demucs --two-stems=vocals audio/mixed_track.wavStem separation with Demucs for cleaner vocal isolation
# Normalize to -14 LUFS using ffmpeg
ffmpeg -i input.wav -filter:a loudnorm=I=-14:TP=-1.5:LRA=11 output.wavLoudness normalization to -14 LUFS
Эти рекомендованные параметры подходят для большинства LoRA музыкальных стилей. Настройте в зависимости от размера датасета и специфики целевого стиля.
| Parameter | Recommended | Range | Note |
|---|---|---|---|
| LoRA Rank | 16 | 4–64 | Higher = more capacity, slower training |
| LoRA Alpha | 32 | 8–128 | Usually 2× rank value |
| Learning Rate | 1e-4 | 5e-5 – 5e-4 | Lower for small datasets |
| Batch Size | 4 | 1–16 | Reduce if OOM errors occur |
| Epochs | 50–150 | 20–500 | Monitor for overfitting |
| Warmup Steps | 50 | 0–200 | Stabilizes early training |
Соберите 20-100 аудиообразцов, представляющих ваш целевой стиль. Используйте разделение стемов для более чистого сигнала. Экспортируйте как WAV/FLAC при 44,1кГц.
# Recommended directory structure:
dataset/
audio/
track_001.wav
track_002.wav
...
metadata.jsonНапишите точные описательные подписи для каждого аудиофайла: жанр, инструменты, темп, настроение, тональность. Качество подписей напрямую влияет на эффективность LoRA.
[
{
"file": "audio/track_001.wav",
"caption": "upbeat indie folk, acoustic guitar, female vocals, 120 BPM, C major, energetic"
},
{
"file": "audio/track_002.wav",
"caption": "melancholic jazz, piano and double bass, slow tempo, 70 BPM, F minor, introspective"
}
]Скопируйте configs/lora_training_template.yaml в configs/my_lora.yaml. Установите data_dir на путь к вашему датасету и настройте num_epochs.
# configs/my_lora.yaml
model:
base_model: "ace-step-1.5"
lora_rank: 16
lora_alpha: 32
target_modules: ["q_proj", "v_proj", "k_proj", "out_proj"]
training:
num_epochs: 100
batch_size: 4
learning_rate: 1.0e-4
warmup_steps: 50
save_every: 25
data:
data_dir: "./dataset"
sample_rate: 44100
max_duration: 120Выполните: python train_lora.py --config configs/my_lora.yaml. Следите за кривыми потерь — потери обучения должны снижаться без всплесков.
python train_lora.py \
--config configs/my_lora.yaml \
--data_dir ./dataset \
--output_dir ./lora_output \
--num_epochs 100 \
--batch_size 4 \
--learning_rate 1e-4 \
--lora_rank 16Загрузите LoRA-чекпоинт и тестируйте с различными запросами. Если результаты не соответствуют целевому стилю, увеличьте данные обучения или эпохи.
# Load and use your trained LoRA
python generate.py \
--prompt "upbeat indie folk with acoustic guitar" \
--lora_path ./lora_output/checkpoint-100 \
--lora_weight 0.8Обучение LoRA требует 20-50 референсных треков, GPU 8GB+, и часы вычислений. FM9 позволяет контролировать музыкальный стиль с описательными запросами — без обучения, без сбора данных, без ожидания.
Начать Создавать Бесплатно